5.5.2 heterogeneity Leverage

ເມື່ອທ່ານໄດ້ກະຕຸ້ນໃຫ້ປະຊາຊົນຈໍານວນຫຼາຍເຮັດວຽກກ່ຽວກັບບັນຫາທາງວິທະຍາສາດທີ່ແທ້ຈິງ, ທ່ານຈະຄົ້ນພົບວ່າຜູ້ເຂົ້າຮ່ວມຂອງທ່ານຈະບໍ່ຈໍາແນກຕາມສອງທາງ: ພວກມັນຈະແຕກຕ່າງກັນໃນທັກສະແລະລະດັບຄວາມພະຍາຍາມຂອງພວກເຂົາ. ປະຕິກິລິຍາທໍາອິດຂອງນັກຄົ້ນຄວ້າສັງຄົມຈໍານວນຫຼາຍແມ່ນການຕໍ່ສູ້ກັບຄວາມບໍ່ເທົ່າທຽມກັນນີ້ໂດຍພະຍາຍາມຍົກເວັ້ນຜູ້ເຂົ້າຮ່ວມທີ່ມີຄຸນນະພາບຕ່ໍາແລະຫຼັງຈາກນັ້ນພະຍາຍາມເກັບກໍາຂໍ້ມູນຈໍານວນຄົງທີ່ຂອງທຸກໆຄົນ. ນີ້ແມ່ນວິທີທີ່ຜິດພາດໃນການອອກແບບໂຄງການຮ່ວມມືມວນຊົນ. ແທນທີ່ຈະຕໍ່ສູ້ກັບຄວາມບໍ່ເທົ່າທຽມກັນ, ທ່ານຄວນໃຊ້ມັນ.

ຫນ້າທໍາອິດ, ບໍ່ມີເຫດຜົນທີ່ຈະຍົກເລີກຜູ້ເຂົ້າຮ່ວມທີ່ມີຄວາມຊໍານານຕ່ໍາ. ໃນການໂທເປີດ, ຜູ້ເຂົ້າຮ່ວມທີ່ມີທັກສະທີ່ບໍ່ມີທັກສະກໍ່ບໍ່ມີບັນຫາ; ການປະກອບສ່ວນຂອງເຂົາເຈົ້າບໍ່ໄດ້ເຮັດໃຫ້ຄົນໃດເຈັບແລະເຂົາເຈົ້າບໍ່ຈໍາເປັນຕ້ອງໃຊ້ເວລາເພື່ອປະເມີນ. ໃນການຈໍາແນກຂໍ້ມູນແລະການແຈກຢາຍຂໍ້ມູນຂອງມະນຸດ, ນອກຈາກນັ້ນ, ແບບຟອມທີ່ດີທີ່ສຸດຂອງການຄວບຄຸມຄຸນນະພາບແມ່ນມາຈາກການຍົກເວັ້ນ, ບໍ່ໄດ້ຜ່ານແຖບສູງສໍາລັບການເຂົ້າຮ່ວມ. ໃນຄວາມເປັນຈິງ, ແທນທີ່ຈະຍົກເວັ້ນຜູ້ເຂົ້າຮ່ວມທັກສະຕ່ໍາ, ວິທີທີ່ດີກວ່າແມ່ນເພື່ອຊ່ວຍໃຫ້ພວກເຂົາປະກອບສ່ວນທີ່ດີກວ່າ, ຄືກັນກັບນັກຄົ້ນຄວ້າທີ່ eBird ໄດ້ເຮັດ.

ອັນທີສອງ, ບໍ່ມີເຫດຜົນທີ່ຈະເກັບກໍາຂໍ້ມູນທີ່ມີກໍານົດຂອງຜູ້ເຂົ້າຮ່ວມແຕ່ລະຄົນ. ການເຂົ້າຮ່ວມໃນໂຄງການຮ່ວມມືຈໍານວນຫຼາຍແມ່ນມີຄວາມບໍ່ເທົ່າທຽມກັນຢ່າງແທ້ຈິງ (Sauermann and Franzoni 2015) , ມີປະຊາຊົນຈໍານວນຫນ້ອຍທີ່ມີສ່ວນຮ່ວມຫຼາຍ - ບາງຄັ້ງເອີ້ນວ່າ ຫົວໄຂມັນ - ແລະມີຫຼາຍໆຄົນທີ່ມີສ່ວນປະກອບນ້ອຍ - ບາງຄັ້ງເອີ້ນວ່າ ຫາງຍາວ . ຖ້າທ່ານບໍ່ເກັບຂໍ້ມູນຈາກຫົວໄຂມັນແລະຫາງຍາວ, ທ່ານກໍາລັງເຮັດໃຫ້ຂໍ້ມູນທີ່ບໍ່ທັນໄດ້ຖືກເກັບລວບລວມ. ຕົວຢ່າງເຊັ່ນຖ້າວິກິພີເດຍຍອມຮັບ 10 ແລະດັດແກ້ພຽງ 10 ເທື່ອຕໍ່ບັນນາທິການ, ມັນຈະສູນເສຍປະມານ 95% ຂອງການດັດແກ້ (Salganik and Levy 2015) . ດັ່ງນັ້ນ, ໂດຍມີໂຄງການຮ່ວມມືທີ່ມີຂະຫນາດໃຫຍ່, ມັນເປັນສິ່ງທີ່ດີທີ່ສຸດທີ່ຈະໃຊ້ຄວາມບໍ່ສະເຫມີພາບກັນແທນທີ່ຈະພະຍາຍາມລົບລ້າງມັນ.